Que é exactamente o recoñecemento de voz?

Recoñecemento de voz

O que debes saber sobre o recoñecemento de voz

Cando falamos de recoñecemento de voz, normalmente queremos dicir un software que ten a capacidade de recoñecer a palabra falada e anotala nun programa para que ao final teñas todo o que se falou nun formato escrito. Tamén se refire a miúdo como "fala a texto". Ao principio ese software tiña posibilidades moi limitadas, polo que só podías converter un número limitado de frases. Co tempo, a tecnoloxía que está detrás do software de recoñecemento de voz desenvolveuse moito e agora é moito máis sofisticada, polo que pode recoñecer diferentes idiomas e incluso diferentes acentos. Pero, por suposto, aínda queda traballo por facer neste campo.

Tamén é importante notar que o recoñecemento de voz non é o mesmo que o recoñecemento de voz, aínda que ás veces a xente usa os dous termos para o mesmo. O recoñecemento de voz utilízase para identificar a persoa que fala e non para notar o que se está a dicir.

Unha pequena historia do recoñecemento de voz e tecnoloxía relacionada

Neste artigo, explicaremos brevemente a historia e a tecnoloxía detrás do auxe do recoñecemento de voz.

Desde os albores da era dixital, a xente tiña o desexo de poder comunicarse con máquinas dalgún xeito. Despois de que se inventou o primeiro tipo de ordenador dixital, numerosos científicos e enxeñeiros intentaron de varias maneiras implementar o recoñecemento de voz neste proceso. Un ano crucial deste proceso foi 1962, cando IBM revelou Shoebox, unha máquina básica de recoñecemento de voz que era capaz de facer cálculos matemáticos sinxelos. Se o usuario deste protoordenador falaba nun micrófono, esta máquina podía recoñecer ata seis palabras de control como "máis" ou "menos". Co paso do tempo, a tecnoloxía detrás desta desenvolveuse e hoxe en día é unha característica moi común interactuar cos ordenadores por voz. Hai moitos motores de recoñecemento de voz famosos como Siri ou Alexa. É importante ter en conta que estes dispositivos de voz dependen da intelixencia artificial (IA) e da aprendizaxe automática.

Cando se menciona a intelixencia artificial (IA), pode parecer algo dunha película de ciencia ficción, pero o certo é que na actualidade a IA xoga un gran papel no noso mundo. De feito, a IA xa está moi presente na nosa vida cotiá, xa que moitos programas e aplicacións xa a utilizan. Pero era ciencia ficción a principios do século XX, cando xurdiu o termo. A finais de 1950 os conceptos da IA fixéronse máis destacados e foron o foco de interese de moitos científicos e filósofos. Nese tempo, un matemático británico moi ambicioso chamado Alan Turing presentou a proposta de que as máquinas poden resolver problemas e tomar decisións por si mesmas, baseándose na entrada da información dispoñible. O problema era que os ordenadores aínda non tiñan a posibilidade de memorizar eses datos, o que é un paso crucial para o desenvolvemento da intelixencia artificial. Todo o que podían facer naquela época era executar comandos sinxelos.

Outro nome importante no desenvolvemento da IA é John McCarthy, quen acuñou por primeira vez o propio termo "intelixencia artificial". McCarthy afirmou que a IA é: "a ciencia e a enxeñería de facer máquinas intelixentes". Esta definición saíu á luz nunha conferencia fundamental no Dartmouth College en 1956. A partir de entón, a IA comezou a desenvolverse a un ritmo frenético.

Hoxe, a intelixencia artificial nas súas diversas formas está presente en todas partes. Creceu ata unha adopción masiva, principalmente debido ao aumento do volume global de datos que se intercambian todos os días en todo o mundo. Utilízase en algoritmos avanzados e deu lugar a melloras no almacenamento e na potencia de cálculo. A IA úsase para moitos propósitos, por exemplo, tradución, transcrición, fala, recoñecemento de rostros e obxectos, análise de imaxes médicas, procesamento de linguaxes naturais, varios filtros de redes sociais, etc. Lembras aquela partida de xadrez entre o gran mestre Gari Kasparov e a IA de xadrez Deep Blue?

A aprendizaxe automática é outra aplicación moi importante da intelixencia artificial. En resumo, refírese a calquera sistema que teña a capacidade de aprender e mellorar a partir da base de datos da súa propia experiencia. Isto funciona mediante o recoñecemento de patróns. Para que o sistema faga iso ten que poder ser adestrado. O algoritmo do sistema recibe unha entrada de grandes cantidades de datos e, nun momento dado, é capaz de identificar patróns a partir deses datos. O obxectivo final deste proceso é que estes sistemas informáticos aprendan de forma independente, sen necesidade de ningunha intervención ou asistencia humana.

Outra cousa que é moi importante mencionar xunto á aprendizaxe automática é a aprendizaxe profunda. Unha das ferramentas máis importantes no proceso de aprendizaxe profunda son as chamadas redes neuronais artificiais. Son algoritmos avanzados, similares á estrutura e función do cerebro humano. Non obstante, son estáticos e simbólicos, a diferenza do cerebro biolóxico que é plástico e baseado máis en analóxicos. En resumo, esta aprendizaxe profunda é unha forma moi especializada de aprendizaxe automática, baseada principalmente en redes neuronais artificiais. O obxectivo da aprendizaxe profunda é replicar de preto os procesos de aprendizaxe humana. A tecnoloxía de aprendizaxe profunda é moi útil e xoga un papel importante en varios dispositivos que son controlados pola voz: tabletas, televisores, teléfonos intelixentes, frigoríficos, etc. As redes neuronais artificiais tamén se usan como unha especie de sistema de filtrado que pretende predicir os elementos. que o usuario compraría no futuro. A tecnoloxía de aprendizaxe profunda tamén é moi utilizada no campo médico. É moi importante para os investigadores do cancro, porque axuda a detectar automaticamente as células cancerosas.

Agora voltaremos ao recoñecemento de voz. Esta tecnoloxía, como xa comentamos, ten como obxectivo identificar varias palabras e frases da lingua falada. Despois convérteos nun formato que a máquina sexa capaz de ler. Os programas básicos só identifican un pequeno número de frases clave, pero algún software de recoñecemento de voz máis avanzado é capaz de descifrar todo tipo de fala natural. A tecnoloxía de recoñecemento de voz é conveniente na maioría dos casos, pero ás veces atopa problemas cando a calidade da gravación non é o suficientemente boa ou cando hai ruídos de fondo que dificultan a comprensión adecuada do altofalante. Tamén pode atopar algúns problemas cando o falante ten un acento ou un dialecto moi forte. O recoñecemento de voz está en desenvolvemento constante, pero aínda non é perfecto. Non todo son palabras, as máquinas aínda non son capaces de moitas cousas que os humanos poden facer, por exemplo non son capaces de descifrar a linguaxe corporal ou o ton de voz de alguén. Non obstante, a medida que se descifran máis datos mediante estes algoritmos avanzados, algúns destes desafíos parecen diminuír en dificultade. Quen sabe que traerá o futuro? É difícil prever onde vai parar o recoñecemento de voz. Por exemplo, Google xa está a ter moito éxito na implementación de software de recoñecemento de voz nos motores de Google Translate e a máquina está a aprender e desenvolverse constantemente. Quizais algún día substituirán por completo aos tradutores humanos. Ou quizais non, as situacións de fala cotiá son demasiado complexas para calquera tipo de máquina que non sexa capaz de ler a profundidade da alma humana.

Cando usar o recoñecemento de voz?

Hoxe en día case todos teñen un teléfono intelixente ou unha tableta. O recoñecemento de voz é unha característica común nestes dispositivos. Utilízanse para converter o discurso dunha persoa en acción. Se queres chamar á túa avoa, abonda con que mandes "chamar á avoa" e o teu teléfono intelixente xa está marcando o número sen que teñas que escribir a través das túas listas de contactos. Isto é o recoñecemento de voz. Outro bo exemplo diso, é Alexa ou Siri. Tamén teñen esta función cableada no seu sistema. Google tamén dáche a opción de buscar calquera cousa por voz, sen escribir nada.

Quizais agora teñas curiosidade sobre como funciona todo isto. Ben, para que funcione, hai que incorporar sensores como micrófonos no software para que as ondas sonoras das palabras faladas sexan recoñecidas, analizadas e convertidas a un formato dixital. A información dixital entón ten que ser comparada con outra información que se almacena nalgún tipo de repositorio de palabras e expresións. Cando hai unha coincidencia, o software pode recoñecer o comando e actuar en consecuencia.

Unha cousa máis que hai que mencionar neste momento é o chamado WER (taxa de erro de palabras). Esta é unha fórmula na que se divide o número de erro co total de palabras. Entón, para dicilo en termos sinxelos, ten moito que ver coa precisión. O obxectivo é, por suposto, ter un WER baixo, porque isto significa que a transcrición da palabra falada é máis precisa.

O recoñecemento de voz está agora demandado tanto como sempre. Se tamén precisas converter a palabra falada dun ficheiro de audio gravado a texto, podes acudir a Gglot. Somos un provedor de servizos de transcrición que ofrece transcricións precisas a un prezo xusto. Polo tanto, non dubide en poñerse en contacto a través do noso sitio web amigable.